flow-nexus-neural
Обучение нейронных сетей в распределенных песочницах
こちらからも入手できます: ruvnet
Создание нейронных сетей требует значительных вычислительных ресурсов и сложной инфраструктуры. Flow Nexus Neural обеспечивает распределенное обучение в песочницах E2B с поддержкой множества архитектур, включая трансформеры, LSTM и GAN. Развертывайте готовые модели из маркетплейса для быстрого прототипирования.
スキルZIPをダウンロード
Claudeでアップロード
設定 → 機能 → スキル → スキルをアップロードへ移動
オンにして利用開始
テストする
「flow-nexus-neural」を使用しています。 Обучите нейронную сеть прямого распространения для классификации изображений с 10 классами
期待される結果:
- Создана архитектура прямого распространения с плотными слоями (256→128→64→10 нейронов)
- Настроено обучение: 100 эпох, размер батча 32, скорость обучения 0.001
- Отправлена задача обучения на минимальный уровень
- ID задачи: job_training_xyz
- Статус: обучение (прогресс: 0%)
「flow-nexus-neural」を使用しています。 Настройте кластер распределенного обучения с 3 воркерами
期待される結果:
- Инициализирован кластер с mesh-топологией для архитектуры трансформера
- Развернут параметрический сервер (крупная модельная tier)
- Развернуто 3 воркер-узла (сверхкрупная модельная tier)
- Статус кластера: готов
- ID кластера: cluster_abc123
「flow-nexus-neural」を使用しています。 Разверните шаблон анализа тональности для быстрого тестирования
期待される結果:
- Найден шаблон: Классификатор анализа тональности (точность 94%)
- Загружена предобученная модель BERT
- Настроена конфигурация: 30 эпох, размер батча 16
- Модель развернута и готова к инференсу
- Категория: NLP
セキュリティ監査
安全This skill is a pure documentation file containing markdown instructions for using an external MCP server. No executable code, filesystem access, or network calls exist within the skill. All detected patterns are false positives: hash identifiers and blockchain terms were misidentified as weak crypto and C2 keywords; bash examples in documentation were misclassified as shell execution risks. The skill is a legitimate ML training documentation skill.
リスク要因
🌐 ネットワークアクセス (6)
📁 ファイルシステムへのアクセス (1)
⚙️ 外部コマンド (91)
品質スコア
作れるもの
Распределенное обучение моделей
Обучайте крупномасштабные модели на нескольких вычислительных узлах для ускорения обучения и лучшей масштабируемости.
Прототипирование на основе шаблонов
Развертывайте предобученные модели из маркетплейса для быстрого прототипирования без создания с нуля.
Эксперименты с федеративным обучением
Проводите исследования в области федеративного обучения с сохранением конфиденциальности, когда данные остаются на локальных узлах.
これらのプロンプトを試す
Обучите нейронную сеть прямого распространения с 3 плотными слоями (256, 128, 64 нейрона) с активацией ReLU и выходом softmax для 10-классовой классификации. Используйте оптимизатор Adam, скорость обучения 0.001, 100 эпох, размер батча 32.
Создайте сеть LSTM для прогнозирования временных рядов с 2 слоями LSTM (128 и 64 нейрона) и плотным выходным слоем. Настройте обучение на 150 эпох, размер батча 64, оптимизатор Adam.
Постройте модель кодера-трансформера для классификации текста с размерностью эмбеддинга 512, 8 головами внимания и размерностью прямого прохода 2048. Обучайте 50 эпох со скоростью обучения 0.0001.
Инициализируйте кластер распределенного обучения с mesh-топологией для архитектуры трансформера. Разверните 5 воркер-узлов и 1 параметрический сервер. Начните обучение на датасете imagenet с 100 эпохами, федеративное обучение включено.
ベストプラクティス
- Начните с минимальных уровней для экспериментов перед масштабированием до более крупных вычислительных ресурсов
- Используйте шаблоны маркетплейса для стандартных задач, чтобы сэкономить время и ресурсы разработки
- Регулярно отслеживайте прогресс обучения и завершайте зависшие задачи, чтобы избежать лишних затрат на вычисления
回避
- Обучение крупных моделей без предварительного тестирования производительности может привести к трате вычислительных ресурсов
- Игнорирование процессов валидации перед развертыванием в производство рискует развернуть ненадежные модели
- Использование неподходящих размеров tier, вызывающих ошибки нехватки памяти, нарушает рабочий процесс обучения